负荷预测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种负荷预测方法、装置、计算机设备和存储介质，适用于电力系统技术领域。方法包括：获取待预测的目标时间段之前的预设时间段内，目标台区中配电变压器的历史负荷数据；按照预设的统计策略对历史负荷数据进行统计学计算，得到历史负荷数据对应的N个统计特征参数，N为正整数；将N个统计特征参数输入至预测模型中，得到预测模型输出的目标时间段内配电变压器的负荷数据，预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。采用本方法能够针对不同的台区配电变压器，将不同的统计特征参数输至预测模型，从而解决了台区配电变压器，随机波动大的问题，使得对台区配电变压器变进行负荷预测得到的预测结果更加准确。

【技术实现步骤摘要】
负荷预测方法、装置、计算机设备和存储介质
本申请涉及电力系统
，特别是涉及一种负荷预测方法、装置、计算机设备和存储介质。
技术介绍
随着科学技术的发展，电力系统的发展已经越来越成熟。为了保证电力系统的正常运行，通常需要对电力系统的负荷进行预测，防止过大的电力负荷损坏电力系统。因此，负荷预测对于电力系统规划、保障电网安全运行及经济效益具有重大的作用，那么如何进行有效的负荷预测已经成为电力系统中的一个重要问题。传统技术中，负荷预测的研究主要是针对市、区、县等系统级的总负荷，这些系统级的负荷都在MW以上。然而，目前对于台区配电变压器的负荷预测的研究相对较少，由于配电变压器的负荷等级为kW，配变的容量小、负荷区域有限，随机波动性大，所以对台区配电变压器变进行负荷预测较为困难。
技术实现思路
基于此，有必要针对上述技术问题，提供一种负荷预测方法、装置、计算机设备和存储介质，能够解决台区配电变压器的负荷预测困难的问题。第一方面，提供了一种负荷预测方法，方法包括：获取待预测的目标时间段之前的预设时间段内，目标台区中配电变压器的历史负荷数据；按照预设的统计策略对历史负荷数据进行统计学计算，得到历史负荷数据对应的N个统计特征参数，N为正整数；将N个统计特征参数输入至预测模型中，得到预测模型输出的目标时间段内配电变压器的负荷数据，预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。在其中一个实施例中，按照预设的统计策略对历史负荷数据进行统计学计算，得到历史负荷数据对应的N个统计特征参数，包括：对预设时间段最后一天的历史负荷数据进行统计学计算，得到第一统计特征参数；对预设时间段最后三天的历史负荷数据进行统计学计算，得到第二统计特征参数；对预设时间段最后七天的历史负荷数据进行统计学计算，得到第三统计特征参数；对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算，得到第四统计特征参数；对预设时间段最后三十天的历史负荷数据进行统计学计算，得到第五统计特征参数。在其中一个实施例中，第一统计特征参数包括：预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值；第二统计特征参数，包括：预设时间段最后三天的历史负荷数据对应的日负荷数据均值；第三统计特征参数，包括：预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值；第四统计特征参数，包括：预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据；第五统计特征参数，包括：预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。在其中一个实施例中，模型的训练过程包括：获取配电变压器的多个样本历史负荷数据；对多个样本历史负荷数据进行预处理，得到预处理后的多个样本历史负荷数据；对预处理后的多个样本历史负荷数据进行随机性分析，剔除随机性较大的样本历史负荷数据，得到随机性分析处理后的样本历史负荷数据；从随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据；按照预设的统计策略对各训练样本历史负荷数据进行统计学计算，得到各训练样本历史负荷数据对应的M个统计特征参数；对M个统计特征参数进行提取，得到N个统计特征参数；基于多个训练样本历史负荷数据中的N个统计特征参数，对未经训练的预测模型进行训练，得到预测模型。在其中一个实施例中，对多个样本历史负荷数据进行预处理，得到预处理后的多个样本历史负荷数据，包括：去除样本历史负荷数据中的错误值与冗余值；查询样本历史负荷数据中缺失的数据段，并确定缺失的数据段对应的缺失时间长度，依据缺失时间长度补全缺失的数据段。在其中一个实施例中，依据缺失时间长度补全缺失的数据段，包括：若缺失时间长度在1小时以内，则采用插值法填补全缺失的数据段；若缺失时间长度大于1小时小于24小时，则采用目标时间段最后三天相同时间段的负荷数据的平均值补全缺失的数据段；若缺失时间长度大于等于24小时，采用目标时间段最后七天相同时间段的负荷数据的平均值补全缺失的数据段。在其中一个实施例中，对预处理后的多个样本历史负荷数据进行随机性分析，剔除随机性较大的样本历史负荷数据，得到随机性分析处理后的样本历史负荷数据，包括：基于LB统计量对预处理后的多个样本历史负荷数据的时间序列进行白噪声检验；根据白噪声检验结果，判断时间序列是否具有随机性分析，剔除随机性较大的样本历史负荷数据的时间序列，得到随机性分析处理后的样本历史负荷数据。在其中一个实施例中，对M个统计特征参数进行提取，得到N个统计特征参数，包括：基于皮尔森相关系数法，分别计算各样本历史负荷数据中M个统计特征参数与作为预测模型输出的真实历史负荷数据之间的相关系数；并基于相关系数，提取相关系数大于预设相关系数阈值的统计特征参数，得到N个统计特征参数。在其中一个实施例中，基于多个训练样本历史负荷数据中的N个统计特征参数，对未经训练的预测模型进行训练，得到预测模型，包括：采用Adam优化算法，将平均绝对误差作为预测模型的损失函数，对预测模型进行训练。第二方面，提供了一种负荷预测装置，装置包括：获取模块，用于获取待预测的目标时间段之前的预设时间段内，目标台区中配电变压器的历史负荷数据；计算模块，用于按照预设的统计策略对历史负荷数据进行统计学计算，得到历史负荷数据对应的N个统计特征参数，N为正整数；预测模块，用于将N个统计特征参数输入至预测模型中，得到预测模型输出的目标时间段内配电变压器的负荷数据，预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。在其中一个实施例中，上述计算模块，具体用于：对预设时间段最后一天的历史负荷数据进行统计学计算，得到第一统计特征参数；对预设时间段最后三天的历史负荷数据进行统计学计算，得到第二统计特征参数；对预设时间段最后七天的历史负荷数据进行统计学计算，得到第三统计特征参数；对预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算，得到第四统计特征参数；对预设时间段最后三十天的历史负荷数据进行统计学计算，得到第五统计特征参数。在其中一个实施例中，计算模块计算得到的第一统计特征参数，包括：预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值；第二统计特征参数，包括：预设时间段最后三天的历史负荷数据对应的日负荷数据均值；第三统计特征参数，包括：预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值；第四统计特征参数，包括：预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据；第五统计特征参数，包括：预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。在其中一个实施例中，上述预测模块，具体用于：获取配电变压器的多个样本历史负荷数据；对多个样本历史负荷数据进行预处理，得到预处理后的多个样本历史负荷数据；对预处理后的多个样本历史负荷数据进行随机性分析，剔除随机性较大的样本历史负荷数据，得到本文档来自技高网...

【技术保护点】
1.一种负荷预测方法，其特征在于，所述方法包括：/n获取待预测的目标时间段之前的预设时间段内，目标台区中配电变压器的历史负荷数据；/n按照预设的统计策略对所述历史负荷数据进行统计学计算，得到所述历史负荷数据对应的N个统计特征参数，N为正整数；/n将所述N个统计特征参数输入至预测模型中，得到所述预测模型输出的所述目标时间段内所述配电变压器的负荷数据，所述预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。/n

【技术特征摘要】
1.一种负荷预测方法，其特征在于，所述方法包括：
获取待预测的目标时间段之前的预设时间段内，目标台区中配电变压器的历史负荷数据；
按照预设的统计策略对所述历史负荷数据进行统计学计算，得到所述历史负荷数据对应的N个统计特征参数，N为正整数；
将所述N个统计特征参数输入至预测模型中，得到所述预测模型输出的所述目标时间段内所述配电变压器的负荷数据，所述预测模型包括输入层、卷积神经网络CNN层、长短期记忆网络LSTM层和输出层。


2.根据权利要求1所述的方法，其特征在于，所述按照预设的统计策略对所述历史负荷数据进行统计学计算，得到所述历史负荷数据对应的N个统计特征参数，包括：
对所述预设时间段最后一天的历史负荷数据进行统计学计算，得到第一统计特征参数；
对所述预设时间段最后三天的历史负荷数据进行统计学计算，得到第二统计特征参数；
对所述预设时间段最后七天的历史负荷数据进行统计学计算，得到第三统计特征参数；
对所述预设时间段最后四个同一星期类型的历史负荷数据进行统计学计算，得到第四统计特征参数；
对所述预设时间段最后三十天的历史负荷数据进行统计学计算，得到第五统计特征参数。


3.根据权利要求2所述的方法，其特征在于，所述第一统计特征参数包括所述预设时间段最后一天的历史负荷数据对应的每时的负荷数据、日负荷数据均值、日负荷数据最低值以及日负荷数据最高值；
所述第二统计特征参数，包括：所述预设时间段最后三天的历史负荷数据对应的日负荷数据均值；
所述第三统计特征参数，包括：所述预设时间段最后七天的历史负荷数据对应的每时的负荷数据以及日负荷数据均值；
所述第四统计特征参数，包括：所述预设时间段最后四个同一星期类型的历史负荷数据对应的每时的负荷数据；
所述第五统计特征参数，包括：所述预设时间段最后三十天的历史负荷数据对应的每时的负荷数据均值。


4.根据权利要求1所述的方法，其特征在于，所述预测模型的训练过程包括：
获取所述配电变压器的多个样本历史负荷数据；
对所述多个样本历史负荷数据进行预处理，得到预处理后的多个样本历史负荷数据；
对所述预处理后的多个样本历史负荷数据进行随机性分析，剔除随机性较大的样本历史负荷数据，得到随机性分析处理后的样本历史负荷数据；
从所述随机性分析处理后的样本历史负荷数据中抽取多个训练样本历史负荷数据；
按照所述预设的统计策略对各所述训练样本历史负荷数据进行统计学计算，得到各所述训练样本历史负荷数据对应的M个统计特征参数；
对所述M个统计特征参数进行提取，得到N个统计特征参数；
基于所述多个训练样本历史负荷数据中的N个统计特征参数，对未经训练的预测模型进行训练，得到所述预测模型。


5.根据权利要求4所述的方法，其特征在于，所述对所述多个样本历史负荷数据进行预处理，得到预处理后的多个样本历史负荷数据，包括：<...

【专利技术属性】
技术研发人员：王红斌，莫文雄，栾乐，许中，杨柳，崔屹平，孔令明，范伟男，刘田，徐硕，马智远，彭和平，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：广东;44